灌溉用水预测模型应用与分析

齐 英

（辽宁省沈阳水文局，辽宁沈阳110046）



灌溉用水预测模型应用与分析

齐 英

（辽宁省沈阳水文局，辽宁沈阳110046）

摘要：本文以辽西地区朝阳市为列，分别采用BP神经网络模型和灰色神经网络模型模拟朝阳市农作物灌溉用水量，并和朝阳市1997～2014年实测灌溉用水数据进行预测精度对比分析。研究结果表明：在辽西地区，灰色神经网络模型预测的1997～2014年灌溉水量与实测值之间相对误差为-4.56%～5.55%，精度高于BP神经网络模型预测的相对误差为-14.77%～14.63%，更适合于辽西地区的灌溉用水预测。研究成果可为辽西地区农业灌溉用水预测提供参考价值。

关键词：BP神经网络模型；灰色神经网络模型；灌溉；用水预测；分析

1　引言

农业灌溉用水预测是区域水资源配置规划较为重要的部分。由于随机数学模型具有需求数据量小，且可用于区域中长期灌溉用水预测的特点，已被国内外学者运用于农业灌溉用水预测中，并取得一定的研究成果［1-5］。在众多的随机数学模型中，BP神经网络模型和灰色神经网络模型运用较为广泛。郑玉胜［6］运用BP神经网络模型对东风灌区的灌溉用水量进行了预测，预测结果表明BP神经网络模型较好的模拟了东风灌区的灌溉用水量，预测精度较高。张丹［7］结合BP神经网络模型对灌区内水稻的灌溉水量进行了预测，研究结果表明BP神经网络模型预测的水稻灌溉需水量和实际灌区内的水稻灌溉水量较为吻合。高海菊［8］采用BP神经网络模型构建了灌区灌溉预报模型，并和实测灌溉用水数据进行对比，发现所构建基于BP神经网络模型的灌区灌溉预报模型很好的模拟了灌区的灌溉用水量。柴文佳［9］基于灰色神经网络模型对华北六省的农业灌溉需水量进行了预测，研究表明灰色神经网络模型对华北六省的农业需水进行合理的预测。吴文红［10］利用灰色神经网络模型对承德市需水进行了预测，预测结果表明灰色神经网络模型在承德市需水预测上具有较高的预测精度。赵旭［8］运用灰色模型对新疆地区农作物需水进行了预测，模拟结果表明灰色神经网络模型在新疆地区农作物需水上具有较好的模拟精度，适合于新疆地区的农作物需水预测。从以上研究成果可以看出，BP神经网络模型和神经网络模型在不同区域灌区灌溉水量预测都具有较好的预测精度，但是在辽西地区的运用较少，特别是在朝阳市的灌溉用水预测，且不同预测模型在不同区域具有不同的适用性，为此，本文将BP神经网络模型和灰色神经网络模型，结合辽西地区朝阳市灌溉用水数据，预测了辽西地区朝阳市1997～2005年灌溉用水量，并和区域实测灌溉水量进行对比分析，研究成果可为辽西灌溉用水预测提供参考价值。

2　模型介绍

2.1 BP神经网络模型

影响区域灌溉需水的主要因素有区域降水量，区域蒸发量、区域平均气温以及区域的灌溉面积。BP神经网络模型输入的神经单元的个数即为对变量影响的因素的个数，本文主要考虑区域降水量，区域蒸发量、区域平均气温以及区域的灌溉面积4个主要要素，因此模型输入为4维的向量。BP神经网络模型的目标向量设定为朝阳市的灌溉用水量，即模型的输出变量为一维的向量。

2.1 灰色神经网络模型

灰色模型的主要原理是通过无规律的原始样本数据系列X（0）（t），通过逐次累加或者累减方法得到一组新的且具有一定规律性的数据系列X（1）（t），通过降低原始样本系列数据的随机性，并在新的有规律性的样本数据系列基础上运用指数函数方法进行拟合。灰色模型的建模过程首先需对原始样本数据系列进行累加或者累减的数据预处理的一个过程。通过数据预处理后，基于生成的具有一定规律的新的数据系列，开始灰色模型的建模过程。灰色系统建模过程采用微分拟合法，当前，运用较为广泛的灰色模型为GM（1，1），该模型称作为单一序列的一阶线性动态计算模型。GM（1，1）灰色动态模型的微分计算方程为：

其中记系数向量

对记系数向量采用最小二乘法进行求解，求解方程为：

式（1）中a表示的是模型发展系数，该变量的物理意义是X的发展趋势，如果a的计算值为负值，则表示X的发展趋势是增长趋势，如果发展系数的绝对值越大，则表示增长的趋势越快；反之，如果a的计算值为正值，则表示X的发展趋势是下降趋势。式（2）中u表示的是模型灰色变量，该变量在模型计算前预先设定的。在式（3）中B和YN分别为矩阵变量，矩阵形式为：

灰色动态模型时间相应的方程为：

在式（6）中X（1）即为预测的灌溉用水量。

3　模型应用及对比分析

3.1 研究区域概况

朝阳市位于辽宁的西部区域，气候属于典型的北温带大陆性季风气候，流域夏季气温较高，冬季较为寒冷，区域多年平均降水量为550mm，多年平均蒸发量800～1000mm，属于水资源相对比较短缺的区域。据2012年朝阳市水资源公报数据分析，2012年全市降水折合水量为125.6亿m3，其中地表水资源总量为154090万m3，地下水水资源总量为88577万m3，区域灌溉面积达到204万亩，属于灌溉用水需求较大的区域，灌溉用水量达到了21253万m3。

3.2 两种模型预测精度对比

为对比两种模型在辽西地区的灌溉用水预测精度，结合朝阳地区1996～2006年灌区灌溉用水数据，基于已构建好的BP神经网络模型和灰色神经网络模型，预测了辽西地区朝阳市1997～2005年灌溉用水量，并和区域实测灌溉用水数据进行对比分析，研究成果见表1和图1。

表1　两种模型在辽西地区灌溉用水预测精度对比表

表1为采用两种预测模型预测的灌溉水量和实测灌溉用水数据进行对比分析，从表1中可以看出，BP神经网络模型预测的灌溉水量和实测灌溉水量相对误差范围在-14.77%～14.63%之间，灰色神经网络模型预测的灌溉水量和实测的灌溉水量相对误差范围在-4.56%～5.55%之

图1　两种预测模型预测灌溉水量和实测值过程对比图

间，可以看出，灰色神经网络模型预测精度好于BP神经网络模型。这是因为灰色神经网络模型不仅具有BP神经网络模型可综合考虑影响灌溉水量的多种因素，而且考虑了原始数据系列的变化规律，灰色神经网络模型可以预测任何变化数据系列，因此在预测精度上好于BP神经网络模型，提高了灌溉用水预测的精度。图1为两站模型预测的灌溉水量和实测灌溉水量的对比图，从图1中也可以明显看出，灰色神经网络模型和实测的灌溉水量在过程上吻合度明显高于BP神经网络模型预测的灌溉水量和实测灌溉水量的吻合度，各年份灰色神经网络模拟预测的灌溉水量都和实测灌溉水量较为吻合，且和实测的灌溉水量变化具有一致性。综上，灰色神经网络模型相比于BP神经网络模型，更适合于辽西地区的灌溉用水的预测。

4　结论

本文分别运用两种方法对辽西地区朝阳市的灌溉用水进行了预测，并对比了两种预测方法在辽西地区农作物灌溉用水的预测精度，研究结论为灰色神经网络模型不仅具有BP神经网络可综合考虑各因素对区域灌溉水量的影响，同时考虑原始数据系列变化规律对灌溉水量的影响，其在辽西地区的灌溉用水预测精度明显好于BP神经网络模型，更适合于辽西地区的灌溉用水预测。

参考文献

［1］李继杰.节水灌溉技术和理念构建分析［J］.水利规划与设计，2015（03）：6-7 +17.

［2］李东.阿克苏地区农业节水发展规划的思考与建议［J］.水利规划与设计，2014（07）：23-25.

［3］丁学岐.宁夏现代节水农业发展探析［J］.水利技术监督，2012 （06）：44-47.

［4］石国梁.阿瓦提县农业灌溉用水现状及对策［J］.水利技术监督，2011（02）：39-41.

［5］贾瑞红.浅析农田水利建设的科学化管理［J］.水利技术监督，2011（06）：22-24.

［6］郑玉胜.基于神经网络的灌溉用水量预测研究［D］.武汉大学，2004.

［7］张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究［D］.沈阳农业大学，2007.

［8］高海菊.基于人工神经网络的灌区灌溉预报模型［D］.河海大学，2006.

作者简介：齐 英（1967年—），女，高级工程师。

收稿日期：2015-08-13

DOI：10.3969 /j.issn.1672-2469.2016.03.001

中图分类号：TV213.9

文献标识码：B

文章编号：1672-2469（2016）03-0001-02